Cursos de Deep Learning

Deep Learning Training

Deep machine learning, deep structured learning, hierarchical learning, DL courses

Testimonios de los Clientes

Machine Learning and Deep Learning

The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.

Jean-Paul van Tillo - Travix International

Neural Networks Fundamentals using TensorFlow as Example

Given outlook of the technology: what technology/process might become more important in the future; see, what the technology can be used for

Commerzbank AG

Introduction to Deep Learning

Exercises after each topic were really helpful, despite there were too complicated at the end. In general, the presented material was very interesting and involving! Exercises with image recognition were great.

- Dolby Poland Sp. z o.o.

Machine Learning and Deep Learning

Coverage and depth of topics

Anirban Basu - Travix International

Neural Networks Fundamentals using TensorFlow as Example

I liked the opportunities to ask questions and get more in depth explanations of the theory.

Sharon Ruane - INTEL R&D IRELAND LIMITED

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Advanced Deep Learning

The exercises are sufficiently practical and do not need a high knowledge in Python to be done.

Alexandre GIRARD - OSONES

Artificial Neural Networks, Machine Learning and Deep Thinking

Very flexible

Frank Ueltzhöffer - Robert Bosch GmbH

Introduction to Deep Learning

The deep knowledge of the trainer about the topic.

Sebastian Görg - FANUC Europe Corporation

Introduction to Deep Learning

Trainers theoretical knowledge and willingness to solve the problems with the participants after the training

Grzegorz Mianowski - Dolby Poland Sp. z o.o.

Neural Networks Fundamentals using TensorFlow as Example

I was amazed at the standard of this class - I would say that it was university standard.

David Relihan - INTEL R&D IRELAND LIMITED

Introduction to Deep Learning

Interesting subject

Wojciech Wilk - Dolby Poland Sp. z o.o.

Advanced Deep Learning

Doing exercises on real examples using Keras. Mihaly totally understood our expectations about this training.

Paul Kassis - OSONES

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Artificial Neural Networks, Machine Learning and Deep Thinking

flexibility

Werner Philipp - Robert Bosch GmbH

Neural Networks Fundamentals using TensorFlow as Example

Very good all round overview.Good background into why Tensorflow operates as it does.

Kieran Conboy - INTEL R&D IRELAND LIMITED

Machine Learning and Deep Learning

We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company

Sebastiaan Holman - Travix International

Neural Networks Fundamentals using TensorFlow as Example

Knowledgeable trainer

Sridhar Voorakkara - INTEL R&D IRELAND LIMITED

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Neural Networks Fundamentals using TensorFlow as Example

Topic selection. Style of training. Practice orientation

Commerzbank AG

Introduction to Deep Learning

Topic. Very interesting!

Piotr - Dolby Poland Sp. z o.o.

Introduction to Deep Learning

The topic is very interesting

Wojciech Baranowski - Dolby Poland Sp. z o.o.

Advanced Deep Learning

The global overview of deep learning

Bruno Charbonnier - OSONES

TensorFlow for Image Recognition

Very updated approach or api (tensorflow, kera, tflearn) to do machine learning

Paul Lee - Hong Kong Productivity Council

Subcategorías

Programas de los Cursos de Deep Learning

Código Nombre Duración Información General
bspkannmldt Redes Neuronales Artificiales, Pensamiento Profundo y Aprendizaje Automático 21 horas
mlbankingr Machine Learning for Banking (with R) 28 horas In this instructor-led, live training, participants will learn how to apply machine learning techniques and tools for solving real-world problems in the banking industry. R will be used as the programming language. Participants first learn the key principles, then put their knowledge into practice by building their own machine learning models and using them to complete a number of live projects. Audience Developers Data scientists Banking professionals with a technical background Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
datamodeling Reconocimiento de Patrones 35 horas Este curso proporciona una introducción en el campo del reconocimiento de patrones y el aprendizaje automático. Se trata de aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática. El curso es interactivo e incluye muchos ejercicios prácticos, comentarios de los instructores y pruebas de los conocimientos y habilidades adquiridos. Audiencia      Analistas de datos      Estudiantes de doctorado, investigadores y profesionales
mlbankingpython_ Machine Learning for Banking (with Python) 21 horas In this instructor-led, live training, participants will learn how to apply machine learning techniques and tools for solving real-world problems in the banking industry. Python will be used as the programming language. Participants first learn the key principles, then put their knowledge into practice by building their own machine learning models and using them to complete a number of team projects. Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
Torch Torch: Introducción a Máquina y Aprendizaje Profundo 21 horas Torch es una biblioteca de aprendizaje de máquina de código abierto y un marco informático científico basado en el lenguaje de programación Lua. Proporciona un entorno de desarrollo para numéricos, aprendizaje automático y visión por computadora, con un énfasis particular en aprendizaje profundo y redes convolucionales. Es uno de los marcos más rápidos y flexibles para Machine and Deep Learning y lo utilizan compañías como Facebook, Google, Twitter, NVIDIA, AMD, Intel y muchas otras. En este curso, cubrimos los principios de Torch, sus características únicas y cómo se puede aplicar en aplicaciones del mundo real. Pasamos por numerosos ejercicios prácticos en todas partes, demostrando y practicando los conceptos aprendidos. Al final del curso, los participantes comprenderán a fondo las características y capacidades subyacentes de Torch, así como su rol y contribución dentro del espacio de IA en comparación con otros marcos y bibliotecas. Los participantes también habrán recibido la práctica necesaria para implementar Torch en sus propios proyectos. Audiencia      Desarrolladores de software y programadores que deseen habilitar Machine and Deep Learning dentro de sus aplicaciones Formato del curso      Descripción general de Machine and Deep Learning      Ejercicios de integración y codificación en clase      Preguntas de prueba salpicadas en el camino para verificar la comprensión
undnn Understanding Deep Neural Networks 35 horas This course begins with giving you conceptual knowledge in neural networks and generally in machine learning algorithm, deep learning (algorithms and applications). Part-1(40%) of this training is more focus on fundamentals, but will help you choosing the right technology : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc. Part-2(20%) of this training introduces Theano - a python library that makes writing deep learning models easy. Part-3(40%) of the training would be extensively based on Tensorflow - 2nd Generation API of Google's open source software library for Deep Learning. The examples and handson would all be made in TensorFlow. Audience This course is intended for engineers seeking to use TensorFlow for their Deep Learning projects After completing this course, delegates will: have a good understanding on deep neural networks(DNN), CNN and RNN understand TensorFlow’s structure and deployment mechanisms be able to carry out installation / production environment / architecture tasks and configuration be able to assess code quality, perform debugging, monitoring be able to implement advanced production like training models, building graphs and logging   Not all the topics would be covered in a public classroom with 35 hours duration due to the vastness of the subject. The Duration of the complete course will be around 70 hours and not 35 hours.
deeplearning1 Introducción al Aprendizaje Profundo 21 horas Este curso es una visión general de Deep Learning sin profundizar en ningún método específico. Es adecuado para las personas que quieren empezar a usar el aprendizaje profundo para mejorar su precisión de la predicción.
OpenNN OpenNN: Implementación de Redes Neuronales 14 horas OpenNN es una biblioteca de clases de código abierto escrita en C ++ que implementa redes neuronales para su uso en aprendizaje automático. En este curso repasaremos los principios de las redes neuronales y utilizaremos OpenNN para implementar una aplicación de muestra. Audiencia      Desarrolladores de software y programadores que deseen crear aplicaciones de Deep Learning. Formato del curso      Conferencia y discusión junto con ejercicios prácticos.
dlfornlp Deep Learning for NLP (Natural Language Processing) 28 horas Deep Learning for NLP allows a machine to learn simple to complex language processing. Among the tasks currently possible are language translation and caption generation for photos. DL (Deep Learning) is a subset of ML (Machine Learning). Python is a popular programming language that contains libraries for Deep Learning for NLP. In this instructor-led, live training, participants will learn to use Python libraries for NLP (Natural Language Processing) as they create an application that processes a set of pictures and generates captions.  By the end of this training, participants will be able to: Design and code DL for NLP using Python libraries Create Python code that reads a substantially huge collection of pictures and generates keywords Create Python Code that generates captions from the detected keywords Audience Programmers with interest in linguistics Programmers who seek an understanding of NLP (Natural Language Processing)  Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dladv Aprendizaje Profundo (Deep Learning) Avanzado 28 horas Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano.
Fairseq Fairseq: Setting up a CNN-based machine translation system 7 horas Fairseq is an open-source sequence-to-sequence learning toolkit created by Facebok for use in Neural Machine Translation (NMT). In this training participants will learn how to use Fairseq to carry out translation of sample content. By the end of this training, participants will have the knowledge and practice needed to implement a live Fairseq based machine translation solution. Audience Localization specialists with a technical background Global content managers Localization engineers Software developers in charge of implementing global content solutions Format of the course     Part lecture, part discussion, heavy hands-on practice Note If you wish to use specific source and target language content, please contact us to arrange.
tf101 Aprendizaje Profundo con TensorFlow 21 horas TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para Deep Learning. El sistema está diseñado para facilitar la investigación en aprendizaje de máquina, y para hacer rápida y fácil la transición del prototipo de investigación al sistema de producción. Audiencia Este curso está dirigido a ingenieros que buscan usar TensorFlow para sus proyectos de Aprendizaje Profundo Después de completar este curso, los delegados: entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar producción avanzada como los modelos de entrenamiento, la construcción de gráficos y registro
facebooknmt Facebook NMT: Setting up a neural machine translation system 7 horas Fairseq es un conjunto de herramientas de aprendizaje de secuencia a secuencia de código abierto creado por Facebok para su uso en la traducción automática neuronal (NMT). En esta capacitación, los participantes aprenderán a usar Fairseq para llevar a cabo la traducción del contenido de muestra. Al final de esta capacitación, los participantes tendrán el conocimiento y la práctica necesarios para implementar una solución de traducción automática basada en Fairseq. Audiencia Especialistas en localización con experiencia técnica Gerentes de contenido global Ingenieros de localización Desarrolladores de software a cargo de implementar soluciones de contenido global Formato del curso Conferencia parcial, discusión parcial, práctica práctica intensa Nota Si desea utilizar contenido específico en el idioma de origen y de destino, contáctenos para organizarlo.
tfir TensorFlow para Reconocimiento de Imágenes 28 horas Este curso explora, con ejemplos específicos, la aplicación de Flujo Tensor a los propósitos de reconocimiento de imagen Audiencia Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para los propósitos de reconocimiento de imágenes Después de completar este curso, los delegados podrán: entender la estructura y los mecanismos de despliegue de TensorFlow llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración evaluar la calidad del código, realizar depuración, monitoreo implementar la producción avanzada como modelos de formación, creación de gráficos y registro
tpuprogramming TPU Programming: Building Neural Network Applications on Tensor Processing Units 7 horas The Tensor Processing Unit (TPU) is the architecture which Google has used internally for several years, and is just now becoming available for use by the general public. It includes several optimizations specifically for use in neural networks, including streamlined matrix multiplication, and 8-bit integers instead of 16-bit in order to return appropriate levels of precision. In this instructor-led, live training, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications. By the end of the training, participants will be able to: Train various types of neural networks on large amounts of data Use TPUs to speed up the inference process by up to two orders of magnitude Utilize TPUs to process intensive applications such as image search, cloud vision and photos Audience Developers Researchers Engineers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dl4j Dominando Deeplearning4j 21 horas Deeplearning4j es la primera biblioteca de aprendizaje profundo, de código abierto y de código abierto, escrita para Java y Scala. Integrado con Hadoop y Spark, DL4J está diseñado para ser utilizado en entornos empresariales en GPUs y CPU distribuidas. Audiencia Este curso está dirigido a ingenieros y desarrolladores que buscan utilizar Deeplearning4j en sus proyectos. Después de este curso, los delegados podrán:
MicrosoftCognitiveToolkit Microsoft Cognitive Toolkit 2.x 21 horas Microsoft Cognitive Toolkit 2.x (previously CNTK) is an open-source, commercial-grade toolkit that trains deep learning algorithms to learn like the human brain. According to Microsoft, CNTK can be 5-10x faster than TensorFlow on recurrent networks, and 2 to 3 times faster than TensorFlow for image-related tasks. In this instructor-led, live training, participants will learn how to use Microsoft Cognitive Toolkit to create, train and evaluate deep learning algorithms for use in commercial-grade AI applications involving multiple types of data such data, speech, text, and images. By the end of this training, participants will be able to: Access CNTK as a library from within a Python, C#, or C++ program Use CNTK as a standalone machine learning tool through its own model description language (BrainScript) Use the CNTK model evaluation functionality from a Java program Combine feed-forward DNNs, convolutional nets (CNNs), and recurrent networks (RNNs/LSTMs) Scale computation capacity on CPUs, GPUs and multiple machines Access massive datasets using existing programming languages and algorithms Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice Note If you wish to customize any part of this training, including the programming language of choice, please contact us to arrange.
singa Dominando Apache SINGA 21 horas SINGA es una plataforma de aprendizaje profundo distribuida para la formación de grandes modelos de aprendizaje profundo sobre grandes conjuntos de datos. Está diseñado con un modelo de programación intuitivo basado en la abstracción de capas. Se admite una variedad de modelos populares de aprendizaje profundo, a saber, los modelos de feed-forward que incluyen redes neuronales convolucionales (CNN), modelos energéticos como la máquina Boltzmann restringida (RBM) y redes neuronales recurrentes (RNN). Muchas capas integradas se proporcionan para los usuarios. La arquitectura de SINGA es lo suficientemente flexible como para ejecutar marcos de formación síncronos, asíncronos e híbridos. SINGA también soporta diferentes esquemas de particionamiento de red neural para paralelizar el entrenamiento de grandes modelos, a saber, partición en la dimensión de lote, dimensión de entidad o partición híbrida. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Apache SINGA como un marco de aprendizaje profundo. Después de completar este curso, los delegados: entender la estructura y los mecanismos de implementación de SINGA ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro
dsstne Amazon DSSTNE: Build a recommendation system 7 horas Amazon DSSTNE is an open-source library for training and deploying recommendation models. It allows models with weight matrices that are too large for a single GPU to be trained on a single host. In this instructor-led, live training, participants will learn how to use DSSTNE to build a recommendation application. By the end of this training, participants will be able to: Train a recommendation model with sparse datasets as input Scale training and prediction models over multiple GPUs Spread out computation and storage in a model-parallel fashion Generate Amazon-like personalized product recommendations Deploy a production-ready application that can scale at heavy workloads Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
caffe Aprendizaje Profundo para la Visión con Caffe 21 horas Caffe es un marco de aprendizaje profundo hecho con expresión, velocidad y modularidad en mente. Este curso explora la aplicación de Caffe como un marco de aprendizaje profundo para el reconocimiento de imágenes utilizando el MNIST como ejemplo Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar Caffe como marco. Después de completar este curso, los delegados podrán: entender la estructura de Caffe y los mecanismos de despliegue llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración evaluar la calidad del código, realizar depuración, monitoreo implementar la producción avanzada como modelos de entrenamiento, implementación de capas y registro
t2t T2T: Creating Sequence to Sequence models for generalized learning 7 horas Tensor2Tensor (T2T) is a modular, extensible library for training AI models in different tasks, using different types of training data, for example: image recognition, translation, parsing, image captioning, and speech recognition. It is maintained by the Google Brain team. In this instructor-led, live training, participants will learn how to prepare a deep-learning model to resolve multiple tasks. By the end of this training, participants will be able to: Install tensor2tensor, select a data set, and train and evaluate an AI model Customize a development environment using the tools and components included in Tensor2Tensor Create and use a single model to concurrently learn a number of tasks from multiple domains Use the model to learn from tasks with a large amount of training data and apply that knowledge to tasks where data is limited Obtain satisfactory processing results using a single GPU Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dlv Aprendizaje Profundo para Vision 21 horas Audiencia Este curso es adecuado para los investigadores e ingenieros de Deep Learning interesados en utilizar las herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora Este curso proporciona ejemplos prácticos.
embeddingprojector Embedding Projector: Visualizing your Training Data 14 horas Embedding Projector is an open-source web application for visualizing the data used to train machine learning systems. Created by Google, it is part of TensorFlow. This instructor-led, live training introduces the concepts behind Embedding Projector and walks participants through the setup of a demo project. By the end of this training, participants will be able to: Explore how data is being interpreted by machine learning models Navigate through 3D and 2D views of data to understand how a machine learning algorithm interprets it Understand the concepts behind Embeddings and their role in representing mathematical vectors for images, words and numerals. Explore the properties of a specific embedding to understand the behavior of a model Apply Embedding Project to real-world use cases such building a song recommendation system for music lovers Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
Neuralnettf Fundamentos de Redes Neuronales Usando TensorFlow como Ejemplo 28 horas Este curso le proporcionará conocimientos en redes neuronales y, en general, en algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones). Este entrenamiento se enfoca más en los fundamentos, pero lo ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Teano, DeepDrive, Keras, etc. Los ejemplos están hechos en TensorFlow.
openface OpenFace: Creating Facial Recognition Systems 14 horas OpenFace is Python and Torch based open-source, real-time facial recognition software based on Google’s FaceNet research. In this instructor-led, live training, participants will learn how to use OpenFace's components to create and deploy a sample facial recognition application. By the end of this training, participants will be able to: Work with OpenFace's components, including dlib, OpenVC, Torch, and nn4 to implement face detection, alignment, and transformation. Apply OpenFace to real-world applications such as surveillance, identity verification, virtual reality, gaming, and identifying repeat customers, etc. Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
mldt Aprendizaje Automático y Aprendizaje Profundo 21 horas Este curso cubre IA (enfatizando Aprendizaje automático y Aprendizaje profundo)  
pythonadvml Python for Advanced Machine Learning 21 horas In this instructor-led, live training, participants will learn the most relevant and cutting-edge machine learning techniques in Python as they build a series of demo applications involving image, music, text, and financial data. By the end of this training, participants will be able to: Implement machine learning algorithms and techniques for solving complex problems Apply deep learning and semi-supervised learning to applications involving image, music, text, and financial data Push Python algorithms to their maximum potential Use libraries and packages such as NumPy and Theano Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
dl4jir DeepLearning4J para el Reconocimiento de Imágenes 21 horas Deeplearning4j es un software Open-Source Deep-Learning para Java y Scala en Hadoop y Spark. Audiencia Este curso está dirigido a ingenieros y desarrolladores que buscan utilizar DeepLearning4J en sus proyectos de reconocimiento de imágenes.
radvml Advanced Machine Learning with R 21 horas In this instructor-led, live training, participants will learn advanced techniques for Machine Learning with R as they step through the creation of a real-world application. By the end of this training, participants will be able to: Use techniques as hyper-parameter tuning and deep learning Understand and implement unsupervised learning techniques Put a model into production for use in a larger application Audience Developers Analysts Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
w2vdl4j NLP con Deeplearning4j 14 horas Deeplearning4j es una biblioteca de código abierto y de aprendizaje profundo escrita para Java y Scala. Integrado con Hadoop y Spark, DL4J está diseñado para ser utilizado en entornos empresariales en GPUs y CPU distribuidas. Word2Vec es un método de computación de representaciones vectoriales de palabras introducidas por un equipo de investigadores de Google liderado por Tomas Mikolov. Audiencia Este curso está dirigido a investigadores, ingenieros y desarrolladores que buscan utilizar Deeplearning4J para construir modelos Word2Vec.
tensorflowserving TensorFlow Serving 7 horas TensorFlow Serving is a system for serving machine learning (ML) models to production. In this instructor-led, live training, participants will learn how to configure and use TensorFlow Serving to deploy and manage ML models in a production environment. By the end of this training, participants will be able to: Train, export and serve various TensorFlow models Test and deploy algorithms using a single architecture and set of APIs Extend TensorFlow Serving to serve other types of models beyond TensorFlow models Audience Developers Data scientists Format of the course Part lecture, part discussion, exercises and heavy hands-on practice
tsflw2v Procesamiento del Lenguaje Natural con TensorFlow 35 horas TensorFlow ™ es una biblioteca de software de código abierto para computación numérica utilizando gráficos de flujo de datos. SyntaxNet es una estructura de procesamiento de lenguaje natural de la red neuronal para TensorFlow. Word2Vec se utiliza para el aprendizaje de representaciones vectoriales de palabras, llamadas "embeddings palabra". Word2vec es un modelo predictivo particularmente computacionalmente eficiente para aprender las incorporaciones de palabras a partir de texto en bruto. Viene en dos sabores, el modelo continuo de la bolsa-de-palabras (CBOW) y el modelo de Skip-Gram (capítulo 3.1 y 3.2 en Mikolov y otros). Utilizado en tándem, SyntaxNet y Word2Vec permite a los usuarios generar modelos de incorporación aprendida de entrada de lenguaje natural. Audiencia Este curso está dirigido a desarrolladores e ingenieros que tienen la intención de trabajar con los modelos SyntaxNet y Word2Vec en sus gráficos TensorFlow. Después de completar este curso, los delegados: Entender la estructura y los mecanismos de despliegue de TensorFlow ser capaz de llevar a cabo las tareas de instalación / producción de entorno / arquitectura y configuración ser capaz de evaluar la calidad del código, realizar depuración, ser capaz de implementar la producción avanzada como modelos de entrenamiento, términos de inclusión, gráficos de construcción y registro
matlabdl Matlab for Deep Learning 14 horas In this instructor-led, live training, participants will learn how to use Matlab to design, build, and visualize a convolutional neural network for image recognition. By the end of this training, participants will be able to: Build a deep learning model Automate data labeling Work with models from Caffe and TensorFlow-Keras Train data using multiple GPUs, the cloud, or clusters Audience Developers Engineers Domain experts Format of the course Part lecture, part discussion, exercises and heavy hands-on practice

Próximos Cursos

CursoFechaPrecio del Curso [A distancia / Presencial]
Torch: Introducción a Máquina y Aprendizaje Profundo - Caracas - Centro LidoLun, 2018-02-19 09:304475USD / 24514USD

Otras regiones

Cursos de Fin de Semana de Deep Learning, Capacitación por la Tarde de Deep Learning, Deep Learning boot camp, Clases de Deep Learning , Capacitación de Fin de Semana de Deep Learning, Instructor de Deep Learning, Deep Learning en sitio, Clases Particulares de Deep Learning, Capacitación empresarial de Deep Learning, Cursos por la Tarde de Deep Learning, Cursos de Formación de Deep Learning, Capacitador de Deep Learning, Clases de Deep Learning , Cursos Privados de Deep Learning, Talleres para empresas de Deep Learning, Programas de capacitación de Deep Learning, Cursos en linea de Deep Learning, Deep Learning coaching

Promociones

Descuentos en los Cursos

Respetamos la privacidad de su dirección de correo electrónico. No transmitiremos ni venderemos su dirección a otras personas.
Siempre puede cambiar sus preferencias o cancelar su suscripción por completo.

Algunos de nuestros clientes